3D -utskriftens växande popularitet för tillverkning av alla möjliga föremål, från skräddarsydda medicintekniska produkter till prisvärda hem, har skapat mer efterfrågan på nya 3D -utskriftsmaterial utformade för mycket specifika användningsområden.

För att minska tiden det tar att upptäcka dessa nya material, forskare vid MIT har utvecklat en datadriven process som använder maskininlärning för att optimera nya 3D-utskriftsmaterial med flera egenskaper, som seghet och tryckhållfasthet.

Genom att effektivisera materialutveckling, systemet sänker kostnaderna och minskar miljöpåverkan genom att minska mängden kemiskt avfall. Maskininlärningsalgoritmen kan också stimulera innovation genom att föreslå unika kemiska formuleringar som mänsklig intuition kan missa.

"Materialutveckling är fortfarande mycket en manuell process. En kemist går in på ett laboratorium, blandar ingredienserna för hand, gör prover, testar dem, och kommer till en slutlig formulering. Men snarare än att ha en kemist som bara kan göra ett par iterationer under ett antal dagar, vårt system kan göra hundratals iterationer under samma tidsperiod, "säger Mike Foshey, en maskiningenjör och projektledare i Computational Design and Fabrication Group (CDFG) från Computer Science and Artificial Intelligence Laboratory (CSAIL), och medförfattare till tidningen.

Ytterligare författare inkluderar medförfattare Timothy Erps, en teknisk medarbetare i CDFG; Mina Konaković Luković, en CSAIL postdoc; Wan Shou, en tidigare MIT postdoc som nu är biträdande professor vid University of Arkansas; seniorförfattare Wojciech Matusik, professor i elektroteknik och datavetenskap vid MIT; och Hanns Hagen Geotzke, Herve Dietsch, och Klaus Stoll från BASF. Forskningen publicerades idag i Vetenskapliga framsteg.

Optimera upptäckten

I systemet som forskarna utvecklade, en optimeringsalgoritm utför mycket av test-och-fel-upptäcktsprocessen.

En materialutvecklare väljer några ingredienser, matar in detaljer om deras kemiska kompositioner i algoritmen, och definierar de mekaniska egenskaper som det nya materialet ska ha. Sedan ökar och minskar algoritmen mängderna av dessa komponenter (som att vrida vred på en förstärkare) och kontrollerar hur varje formel påverkar materialets egenskaper, innan du kommer fram till den perfekta kombinationen.

Sedan blandar utvecklaren, processer, och testar det provet för att ta reda på hur materialet faktiskt presterar. Utvecklaren rapporterar resultaten till algoritmen, som automatiskt lär sig av experimentet och använder den nya informationen för att besluta om en annan formulering som ska testas.

"Vi tror, för ett antal applikationer, detta skulle överträffa den konventionella metoden eftersom du kan lita mer på optimeringsalgoritmen för att hitta den optimala lösningen. Du skulle inte behöva en expertkemiker till hands för att förvala materialformuleringarna, "Säger Foshey.

Forskarna har skapat en gratis, open-source materialoptimeringsplattform som kallas AutoOED som innehåller samma optimeringsalgoritm. AutoOED är ett komplett mjukvarupaket som också tillåter forskare att genomföra sin egen optimering.

Att göra material

Forskarna testade systemet genom att använda det för att optimera formuleringar för ett nytt 3D -tryckfärg som stelnar när det utsätts för ultraviolett ljus.

De identifierade sex kemikalier att använda i formuleringarna och satte algoritmens mål att avslöja det bäst presterande materialet med avseende på seghet, kompressionsmodul (styvhet), och styrka.

Att maximera dessa tre egenskaper manuellt skulle vara särskilt utmanande eftersom de kan vara motstridiga; till exempel, det starkaste materialet är kanske inte det styvaste. Med hjälp av en manuell process, en kemist skulle vanligtvis försöka maximera en egenskap i taget, vilket resulterar i många experiment och mycket slöseri.

Algoritmen kom med 12 bäst presterande material som hade optimala avvägningar av de tre olika egenskaperna efter att bara testat 120 prover.

Foshey och hans medarbetare blev förvånade över den stora variationen av material som algoritmen kunde generera, och säger att resultaten var mycket mer varierade än de förväntade sig baserat på de sex ingredienserna. Systemet uppmuntrar till utforskning, vilket kan vara särskilt användbart i situationer där specifika materialegenskaper inte lätt kan upptäckas intuitivt.

Snabbare i framtiden

Processen kan påskyndas ännu mer genom användning av ytterligare automatisering. Forskare blandade och testade varje prov för hand, men robotar kan driva utmatnings- och blandningssystemen i framtida versioner av systemet, Säger Foshey.

Längre ner på vägen, forskarna skulle också vilja testa denna datadrivna upptäcktsprocess för användning utöver att utveckla nya 3D-tryckfärger.

"Detta har breda tillämpningar inom materialvetenskap i allmänhet. Till exempel, om du ville designa nya typer av batterier som var högre effektivitet och lägre kostnad, du kan använda ett sådant system för att göra det. Eller om du ville optimera lacken för en bil som presterade bra och var miljövänlig, detta system kan göra det, för, " han säger.